新書推薦：
《
情绪脑科学 ：解锁大脑密码，重获情绪自由
》
售價：HK$
53.9
《
超智能与未来：宇宙进化、科技趋势与人类未来
》
售價：HK$
85.8
《
人比AI凶（“中国好书”“文津图书奖”得主万维钢全新力作；当AI无所不能，你靠什么不可替代？答案就在这里！）
》
售價：HK$
86.9
《
鲶鱼之怒：日本大众文化中的天灾·疫病·怪异
》
售價：HK$
75.9
《
经典译林：罗生门
》
售價：HK$
42.9
《
现场：细读《史记》
》
售價：HK$
53.9
《
传奇与绝技：木拱桥里的中国营造智慧
》
售價：HK$
85.8
《
英国工业革命：经济的质变、世界工厂的建成与海洋霸主地位的确立 陆海书系
》
售價：HK$
93.5
|
| 內容簡介： |
|
《机器学习基础与方法》聚焦人工智能领域中机器学习的基础理论与方法，通过严谨的数学推导和可解释性分析，帮助读者理解常用方法的理论内涵与实现细节。《机器学习基础与方法》共8章，第1章简要讲解机器学习的基本概念与发展脉络；第2章和第3章介绍所需的数学基础与优化基础；第4章介绍数据基础理论方面的知识；第5～8章分类探讨**机器学习方法，涵盖特征处理、聚类分析、回归与分类等主要方向，在介绍典型算法原理的同时，拓展至相关进阶方法与前沿研究思路。《机器学习基础与方法》通过典型算法示例与原理推导相结合的方式，以期读者系统地掌握机器学习的基础理论与常用方法，为从事该领域相关科研工作打下基础。
|
| 目錄：
|
|
目录前言第1章 绪论 11.1 机器学习内涵 11.2 定义与术语 41.2.1 机器学习相关定义 41.2.2 机器学习相关术语 61.3 发展简史 101.4 典型应用 161.5 伦理计算 22第2章 机器学习数学基础 272.1 向量与矩阵运算 272.1.1 向量与矩阵基本概念 272.1.2 向量与矩阵范数 282.1.3 矩阵性能指标与相关计算 342.2 特征值分析 372.2.1 特征值问题与特征向量 372.2.2 矩阵特征值与相关计算 412.3 奇异值分解 422.3.1 奇异值分解及其解释 422.3.2 奇异值分解与特征值 442.3.3 奇异值的性质 472.4 图论基础 502.4.1 权重图与图切 502.4.2 邻接矩阵构建 522.4.3 拉普拉斯矩阵 582.5 张量基础 622.5.1 基本概念 622.5.2 相关运算 642.5.3 张量分解 662.6 小结 70第3章 机器学习优化基础 723.1 优化理论基本概念 723.1.1 建立*优化模型 733.1.2 凸优化问题及求解 743.2 拉格朗日乘子法与KKT 条件 773.2.1 等式约束问题 783.2.2 不等式约束问题 793.2.3 原始问题与对偶问题 803.3 梯度下降法 823.3.1 批量梯度下降法 823.3.2 随机梯度下降法 843.4 牛顿迭代法 853.5 坐标下降法 883.6 小结 91第4章 机器学习数据基础 924.1 合成数据集 924.1.1 数据线性可分 934.1.2 数据线性不可分 934.2 真实数据集 964.2.1 图像数据集 964.2.2 视频数据集 994.2.3 生物信息数据集 1004.2.4 自然语言数据集 1014.2.5 其他数据集 1014.3 数据处理 1034.3.1 数据清洗与特征处理 1034.3.2 不平衡问题 1054.3.3 数据类型转换 1084.4 小结 109第5章 特征提取方法 1105.1 **方法 1105.1.1 主成分分析 1105.1.2 局部保持投影 1135.1.3 线性判别分析 1165.1.4 张量分析方法 1215.1.5 **方法总结与分析 1245.2 进阶方法 1265.2.1 基于自适应图嵌入的无监督方法 1265.2.2 基于快速构图的无监督方法 1315.2.3 基于最大化比率和线性判别分析的方法 1385.3 小结 148第6章 特征选择方法 1506.1 **方法 1506.1.1 过滤式方法 1516.1.2 包裹式方法 1566.1.3 嵌入式方法 1606.1.4 **方法总结与分析 1636.2 进阶方法 1646.2.1 基于多分类逻辑斯谛回归的方法 1646.2.2 基于稀疏无监督投影的联合方法 1756.2.3 非线性特征选择网络方法 1836.3 小结 186第7章 聚类分析方法 1877.1 **方法 1887.1.1 K均值聚类 1887.1.2 模糊K均值聚类 1907.1.3 密度聚类 1927.1.4 层次聚类 1957.1.5 谱聚类 1977.1.6 **方法总结与分析 2027.2 进阶方法 2087.2.1 基于熵正则化的自适应近邻图方法 2087.2.2 基于二部图的快速自监督方法 2167.2.3 基于新类发现的递进式自监督方法 2247.3 小结 228第8章 回归与分类方法 2298.1 **方法 2308.1.1 *小二乘回归 2308.1.2 支持向量回归 2358.1.3 K近邻法 2388.1.4 决策树 2438.1.5 支持向量机 2488.1.6 感知机与神经网络 2558.1.7 **方法总结与分析 2638.2 进阶方法 2658.2.1 基于*范数*小化的方法 2658.2.2 基于分隔平面的逻辑回归方法 2728.3 正激励噪声 2808.4 小结 286参考文献 288附录A 相关学术组织、重要会议与期刊 295A1 相关学术组织 295A2 重要会议与期刊 296
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
